端到端OCR新范式：百度Qianfan-OCR统一文档解析与理解，性能与部署效率双优

在文档智能领域，传统的“检测-识别-理解”多阶段流水线（Pipeline）架构正面临挑战。复杂的文档形态、误差累积以及部署维护的复杂性，促使行业寻求更统一、高效的解决方案。近日，百度千帆平台正式发布了全新的端到端文档智能模型Qianfan-OCR，其基于统一的视觉语言架构，以约4B参数规模，实现了从文档解析、版面分析到文字识别与语义理解的全栈融合，标志着文档智能能力正从“流程拼接”迈入“模型统一”的新阶段。

一体化架构下的性能突破

Qianfan-OCR的核心优势在于其端到端的设计。该模型无需依赖多个独立模型的串联，能够直接从文档图像生成结构化结果，实现了从“看见”到“理解”的一步到位。这种转变带来的直接好处是性能的显著提升。

在权威基准测试中，Qianfan-OCR的表现尤为亮眼：

• 在 OmniDocBench v1.5 综合评测中，取得了 93.12 的高分，在端到端模型中位列第一，其成绩甚至超过了部分传统多阶段（Pipeline）的专用OCR系统。
• 在针对模型图表理解能力的 ChartQA、ChartBench 等关键评测中，Qianfan-OCR同样表现领先，在6项相关任务中拿下了5项最佳成绩。

这充分证明了统一模型在复杂结构理解与多模态推理上的能力优势。传统Pipeline在文本提取过程中，往往会丢失元素间的空间结构与视觉上下文信息，从而限制了其对图表、复杂表格等文档的理解深度。而端到端模型能够完整保留并利用这些视觉信息，使得其在结构理解与推理任务中具备更高的一致性与准确性。

图为OmniDocBench v1.5基准测试结果，Qianfan-OCR在端到端模式（右图）下表现领先。

核心创新：Layout-as-Thought机制

当然，从Pipeline转向端到端并非没有挑战。一个核心问题在于，传统Pipeline中显式的版面分析能力在端到端模型中如何实现？为了解决这一问题，Qianfan-OCR引入了创新的 “Layout-as-Thought” 机制。

在生成最终输出之前，模型会通过一个特殊的 <think> token进入“思考阶段”。在这个阶段，模型首先对文档的结构进行显式建模，生成包括元素位置、类型以及阅读顺序在内的结构化布局信息，然后再基于这些“先验理解”完成整体的解析与输出。这一设计巧妙地将版面理解能力内化为模型推理过程的一部分，在统一的框架下同时赋予了模型结构感知与语义理解的能力。

图为两阶段Pipeline（a）与端到端（b）架构对比示意图。端到端路径更短，由统一的视觉语言模型直接输出结果。

因此，在面对多栏排版、复杂表格或非标准阅读顺序等挑战性场景时，Qianfan-OCR展现出了更强的鲁棒性和解析一致性。这不仅提升了准确性，也从本质上简化了技术链路。

显著提升的部署与运行效率

除了性能优势，Qianfan-OCR在部署和运行效率上也带来了显著的改进。传统Pipeline系统通常需要CPU进行检测、GPU进行识别、再调用大语言模型（LLM）进行理解的异构编排，资源调度复杂。

相比之下，Qianfan-OCR作为一个统一的视觉语言模型，部署时只需一个vLLM实例。根据官方数据，在单张A100 GPU上，使用W8A8量化后，吞吐量可达 1.024页/秒，极大地简化了生产环境的部署复杂度并提升了资源利用率。对于希望快速集成文档智能能力到现有系统中的开发者而言，这无疑降低了门槛。你可以在 GitHub 上找到相关的开源实现与集成案例。

资源获取与体验

目前，Qianfan-OCR模型已正式上线百度千帆平台，并向开发者和企业用户开放使用。同时，其模型权重也已同步在ModelScope和HuggingFace开源，体现了百度在推动人工智能技术进步与开放协作方面的努力。

为了方便社区开发者快速上手与应用，项目团队还在GitHub上发布了配套的“Skills”（技能工具），用户可轻松下载并集成，实现多样化的文档转化与理解任务。

相关资源链接：

• 论文地址：https://arxiv.org/abs/2603.13398
• ModelScope模型：https://modelscope.cn/models/baidu-qianfan/Qianfan-OCR
• GitHub主仓库：https://github.com/baidubce/Qianfan-VL
• 配套Skills：https://github.com/baidubce/skills/tree/develop/skills/qianfanocr-document-intelligence
• 千帆平台体验：https://console.bce.baidu.com/qianfan/modelcenter/model/buildIn/detail/am-52d29fea1063

范式演进：从工具到系统能力

Qianfan-OCR的发布，不仅是单一模型能力的升级，更代表了文档处理技术路径的一次重要演进：从多模型拼接的流程式架构，走向统一建模的端到端范式。这使文档智能从一种“工具能力”演进为更完整的“系统能力”，为企业级应用提供了更高效、稳定且易于维护的技术文档基础。

对于开发者社区而言，关注此类前沿模型的进展与落地，是把握技术趋势、提升解决方案竞争力的关键。未来，随着多模态模型在产业场景中的持续深入，类似的端到端、统一化技术路线有望在更多领域释放价值。想了解更多AI与云计算领域的前沿动态与技术实践，欢迎关注 云栈社区 的相关讨论。